RidgeClassifier

classsklearn.linear_model.RidgeClassifier(alpha=1.0, *, fit_intercept=True, copy_X=True, max_iter=None, tol=0.0001, class_weight=None, solver='auto', positive=False, random_state=None)[исходный код]

Классификатор на основе регрессии Риджа.

Этот классификатор сначала преобразует целевые значения в {-1, 1}, а затем рассматривает задачу как задачу регрессии (в случае многоклассовой классификации — как задачу многовыходной регрессии).

Подробнее см. в руководстве пользователя.

Параметры:

alphafloat, по умолчанию=1.0

Сила регуляризации; должна быть положительным числом с плавающей точкой. Регуляризация улучшает обусловленность задачи и уменьшает дисперсию оценок. Большие значения соответствуют более сильной регуляризации. Alpha соответствует 1 / (2C) в других линейных моделях, таких как LogisticRegression или LinearSVC.

Иллюстрацию влияния alpha на коэффициенты модели см. в разделе Коэффициенты Риджа в зависимости от L2-регуляризации.

fit_interceptbool, по умолчанию=True

Вычислять ли свободный член для этой модели. Если установлено значение false, свободный член не будет использоваться в вычислениях (например, предполагается, что данные уже центрированы).

copy_Xbool, по умолчанию=True

Если True, X будет скопирован; в противном случае он может быть перезаписан.

max_iterint, по умолчанию=None

Максимальное число итераций для решателя на основе метода сопряжённых градиентов. Значение по умолчанию определяется scipy.sparse.linalg.

tolfloat, по умолчанию=1e-4

Точность решения (coef_) определяется параметром tol, который задаёт для каждого решателя свой критерий сходимости:

• ‘svd’: tol не влияет.
• ‘cholesky’: tol не влияет.
• ‘sparse_cg’: норма невязки меньше tol.
• ‘lsqr’: tol используется как atol и btol в scipy.sparse.linalg.lsqr; эти параметры управляют нормой вектора невязки с учётом норм матрицы и коэффициентов.
• ‘sag’ и ‘saga’: относительное изменение coef меньше tol.
• ‘lbfgs’: максимум абсолютного (проецированного) градиента=max|residuals| меньше tol.

Изменено в версии 1.2: Значение по умолчанию изменено с 1e-3 на 1e-4 для согласованности с другими линейными моделями.

class_weightdict или ‘balanced’, по умолчанию=None

Веса, связанные с классами, в формате {class_label: weight}. Если веса не заданы, предполагается, что вес каждого класса равен единице.

Режим «balanced» использует значения y для автоматической настройки весов, обратно пропорциональных частотам классов во входных данных, по формуле n_samples / (n_classes * np.bincount(y)).

solver{‘auto’, ‘svd’, ‘cholesky’, ‘lsqr’, ‘sparse_cg’, ‘sag’, ‘saga’, ‘lbfgs’}, по умолчанию=’auto’

Решатель, используемый в вычислительных процедурах:

• ‘auto’ автоматически выбирает решатель на основе типа данных.
• ‘svd’ использует сингулярное разложение X для вычисления коэффициентов Риджа. Это наиболее устойчивый решатель; в частности, он устойчивее ‘cholesky’ для вырожденных матриц, но работает медленнее.
• ‘cholesky’ использует стандартную функцию scipy.linalg.solve для получения решения в замкнутой форме.
• ‘sparse_cg’ использует решатель на основе метода сопряжённых градиентов, реализованный в scipy.sparse.linalg.cg. Будучи итеративным алгоритмом, этот решатель лучше подходит, чем ‘cholesky’, для крупномасштабных данных (есть возможность задать tol и max_iter).
• ‘lsqr’ использует специализированную процедуру регуляризованного метода наименьших квадратов scipy.sparse.linalg.lsqr. Это самый быстрый решатель, использующий итеративную процедуру.

• ‘sag’ использует стохастический градиентный спуск со скользящим усреднением, а ‘saga’ — его несмещённую и более гибкую версию под названием SAGA. Оба метода используют итеративную процедуру и часто работают быстрее других решателей, если и n_samples, и n_features имеют большие значения. Обратите внимание, что быстрая сходимость ‘sag’ и ‘saga’ гарантируется только для признаков примерно одинакового масштаба. Данные можно предварительно обработать с помощью масштабировщика из sklearn.preprocessing.

  Добавлено в версии 0.17: Решатель на основе стохастического градиентного спуска со скользящим усреднением.

  Добавлено в версии 0.19: Решатель SAGA.

• ‘lbfgs’ использует алгоритм L-BFGS-B, реализованный в scipy.optimize.minimize. Его можно использовать только при positive равном True.

positivebool, по умолчанию=False

Если установлено значение True, коэффициенты принудительно делаются положительными. В этом случае поддерживается только решатель ‘lbfgs’.

random_stateint, экземпляр RandomState, по умолчанию=None

Используется, когда solver == ‘sag’ или ‘saga’, для перемешивания данных. Подробности см. в глоссарии.

Атрибуты:

coef_ndarray формы (1, n_features) или (n_classes, n_features)

Коэффициенты признаков в функции принятия решения.

coef_ имеет форму (1, n_features), если задача бинарная.

intercept_float или ndarray формы (n_targets,)

Свободный член в функции принятия решения. Равен 0.0, если fit_intercept = False.

n_iter_None или ndarray формы (n_targets,)

Фактическое число итераций для каждой целевой переменной. Доступно только для решателей sag и lsqr. Для остальных решателей возвращается None.

classes_ndarray формы (n_classes,)

Метки классов.

n_features_in_int

Число признаков, обнаруженных при вызове fit.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, обнаруженных при вызове fit. Определяется только в том случае, если X содержит имена признаков, все из которых являются строками.

Добавлено в версии 1.0.

solver_str

Решатель, использованный вычислительными процедурами во время вызова fit.

Добавлено в версии 1.5.

См. также

Ridge

Регрессия Риджа.

RidgeClassifierCV

Классификатор Риджа со встроенной перекрёстной проверкой.

Примечания

Для многоклассовой классификации обучается n_class классификаторов по схеме «один против всех». В частности, это реализовано с использованием поддержки многомерного отклика в Ridge.

Примеры

>>> from sklearn.datasets import load_breast_cancer
>>> from sklearn.linear_model import RidgeClassifier
>>> X, y = load_breast_cancer(return_X_y=True)
>>> clf = RidgeClassifier().fit(X, y)
>>> clf.score(X, y)
0.9595...

decision_function(X)[исходный код]

Предсказать оценки уверенности для выборок.

Оценка уверенности для выборки пропорциональна знаковому расстоянию этой выборки до гиперплоскости.

Параметры:

X{array-like, разреженная матрица} формы (n_samples, n_features)

Матрица данных, для которой требуется получить оценки уверенности.

Возвращает:

scoresndarray формы (n_samples,) или (n_samples, n_classes)

Оценки уверенности для каждой комбинации (n_samples, n_classes). В бинарном случае оценка уверенности для self.classes_[1], где значение >0 означает, что будет предсказан этот класс.

fit(X, y, sample_weight=None)[исходный код]

Обучить модель классификатора Риджа.

Параметры:

X{ndarray, разреженная матрица} формы (n_samples, n_features)

Обучающие данные.

yndarray формы (n_samples,)

Целевые значения.

sample_weightfloat или ndarray формы (n_samples,), по умолчанию=None

Индивидуальные веса для каждой выборки. Если задано число с плавающей точкой, вес всех выборок будет одинаковым.

Добавлено в версии 0.17: Поддержка sample_weight в RidgeClassifier.

Возвращает:

selfobject

Экземпляр оценивателя.

get_metadata_routing()[исходный код]

Получить настройки маршрутизации метаданных этого объекта.

Описание работы механизма маршрутизации см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий сведения о маршрутизации.

get_params(deep=True)[исходный код]

Получить параметры этого оценивателя.

Параметры:

deepbool, по умолчанию=True

Если True, будут возвращены параметры этого оценивателя и содержащихся в нём объектов, являющихся оценивателями.

Возвращает:

paramsdict

Имена параметров и соответствующие им значения.

predict(X)[исходный код]

Предсказать метки классов для выборок в X.

Параметры:

X{array-like, spare matrix} формы (n_samples, n_features)

Матрица данных, для которой требуется предсказать целевые значения.

Возвращает:

y_predndarray формы (n_samples,) или (n_samples, n_outputs)

Вектор или матрица, содержащие предсказания. В задачах бинарной и многоклассовой классификации возвращается вектор, содержащий n_samples. В задаче многометочной классификации возвращается матрица формы (n_samples, n_outputs).

score(X, y, sample_weight=None)[исходный код]

Возвращает точность на переданных данных и метках.

В многометочной классификации используется точность по подмножествам. Это строгая метрика, поскольку для каждой выборки требуется правильно предсказать весь набор меток.

Параметры:

Xarray-like формы (n_samples, n_features)

Тестовые выборки.

yarray-like формы (n_samples,) или (n_samples, n_outputs)

Истинные метки для X.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса выборок.

Возвращает:

scorefloat

Средняя точность self.predict(X) относительно y.

set_fit_request(*, sample_weight:bool|None|str='$UNCHANGED$') → RidgeClassifier[исходный код]

Настроить, следует ли запрашивать передачу метаданных методу fit.

Обратите внимание: этот метод имеет смысл только тогда, когда данный оцениватель используется как вложенный оцениватель внутри метаоценивателя, а маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Описание работы механизма маршрутизации см. в руководстве пользователя.

Для каждого параметра доступны следующие варианты:

• True: метаданные запрашиваются и передаются в fit, если они предоставлены. Если метаданные не предоставлены, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоцениватель не передаёт их в fit.
• None: метаданные не запрашиваются; если пользователь их передаст, метаоцениватель вызовет ошибку.
• str: метаданные передаются метаоценивателю под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет текущий запрос. Это позволяет изменить запрос для одних параметров, не затрагивая остальные.

Добавлено в версии 1.3.

Параметры:

sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Настройка маршрутизации метаданных для параметра sample_weight метода fit.

Возвращает:

selfobject

Обновлённый объект.

set_params(**params)[исходный код]

Задать параметры этого оценивателя.

Метод работает как с простыми оценивателями, так и с вложенными объектами (например, Pipeline). Параметры последних имеют формат <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценивателя.

Возвращает:

selfэкземпляр оценивателя

Экземпляр оценивателя.

set_score_request(*, sample_weight:bool|None|str='$UNCHANGED$') → RidgeClassifier[исходный код]

Настроить, следует ли запрашивать передачу метаданных методу score.

Обратите внимание: этот метод имеет смысл только тогда, когда данный оцениватель используется как вложенный оцениватель внутри метаоценивателя, а маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Описание работы механизма маршрутизации см. в руководстве пользователя.

Для каждого параметра доступны следующие варианты:

• True: метаданные запрашиваются и передаются в score, если они предоставлены. Если метаданные не предоставлены, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоцениватель не передаёт их в score.
• None: метаданные не запрашиваются; если пользователь их передаст, метаоцениватель вызовет ошибку.
• str: метаданные передаются метаоценивателю под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет текущий запрос. Это позволяет изменить запрос для одних параметров, не затрагивая остальные.

Добавлено в версии 1.3.

Параметры:

sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Настройка маршрутизации метаданных для параметра sample_weight метода score.

Возвращает:

selfobject

Обновлённый объект.

Примеры из галереи

Классификация текстовых документов с использованием разреженных признаков